کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6853196 | 658316 | 2015 | 34 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
From senses to texts: An all-in-one graph-based approach for measuring semantic similarity
ترجمه فارسی عنوان
از حواس به متون: روشی مبتنی بر گراف همه جانبه برای اندازه گیری شباهت معنایی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ترجمه چکیده
شمارش معانی شباهت معنایی بین آیتم های زبانی در هسته بسیاری از برنامه های کاربردی در پردازش زبان طبیعی و هوش مصنوعی است. بنابراین مقدار قابل توجهی از علاقه تحقیقاتی را دریافت کرده است که به نوبه خود منجر به طیف وسیعی از رویکردهای برای اندازه گیری شباهت معنایی شده است. با این حال، این اقدامات معمولا محدود به دسته خاصی از آیتم های زبانی، مانند حواس تک کلمه یا جملات کامل است. از این رو برای یک برنامه پایین دست برای اداره انواع مختلف ورودی لازم است چندین معیار شباهت معنایی مورد نیاز باشد، ملاحظاتی که اغلب از نمایه های مختلف داخلی استفاده می کنند یا دارای مقادیر خروجی های مختلف هستند. در این مقاله یک رویکرد مبتنی بر گراف یکپارچه برای اندازه گیری شباهت معنایی ارائه می شود که امکان مقایسه موثر اقلام زبان در سطوح مختلف از حروف کلمه به متن کامل را فراهم می کند. روش اول ابتدا خواص ساختاری یک شبکه معنایی را به منظور مدل سازی آیتم های زبانشناختی دلخواه از طریق نمایش احتمالی یکپارچه، و سپس مقادیر زبان را با توجه به بازنمایی آنها مقایسه می کند. ما گزارش عملکرد پیشرفته ای را در چندین مجموعه داده مربوط به سه سطح مختلف: حواس، کلمات و متون.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Quantifying semantic similarity between linguistic items lies at the core of many applications in Natural Language Processing and Artificial Intelligence. It has therefore received a considerable amount of research interest, which in its turn has led to a wide range of approaches for measuring semantic similarity. However, these measures are usually limited to handling specific types of linguistic item, e.g., single word senses or entire sentences. Hence, for a downstream application to handle various types of input, multiple measures of semantic similarity are needed, measures that often use different internal representations or have different output scales. In this article we present a unified graph-based approach for measuring semantic similarity which enables effective comparison of linguistic items at multiple levels, from word senses to full texts. Our method first leverages the structural properties of a semantic network in order to model arbitrary linguistic items through a unified probabilistic representation, and then compares the linguistic items in terms of their representations. We report state-of-the-art performance on multiple datasets pertaining to three different levels: senses, words, and texts.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Artificial Intelligence - Volume 228, November 2015, Pages 95-128
Journal: Artificial Intelligence - Volume 228, November 2015, Pages 95-128
نویسندگان
Mohammad Taher Pilehvar, Roberto Navigli,